溯源弹簧形变过程的断路器振动信号递归量化分析辨识方法

从锁止机构脱扣引起储能弹簧释能,经部件带动动触头运动再到静止的每个动作具有严格阶段特征,伴随断路器动作的机械振动展现了能量传递及设备健康状态。该文提出一种溯源弹簧形变过程的断路器振动信号递归量化分析方法,首先由高速相机捕捉断路器操动时储能弹簧的动作图像,通过计算机视觉跟踪动态提取反映弹簧形变特征帧,再依据特征帧时序划分操动过程;然后将不同阶段振动信号映射至高维相空间,经递归分析得到体现动力系统变化特征的递归图,并递归量化分析其纹理结构特征;最后利用支持向量机模型对正常及故障状态下的断路器振动特征样本进行分析辨识,对比结果证明,由弹簧释能时序细化振动信号特征分析有效提高了分类识别准确率。该文方法在断路器操动机构状态辨识中具有广阔的应用前景。

动作时序优化振动信号混沌吸引子特征的断路器操动状态辨识方法

高压断路器分合闸操作过程包括掣子脱扣、弹簧释能、动静触头碰撞等动作,机械振动信号作为能量传递的表现,蕴含着丰富的运行状态信息。该文基于断路器关键动作节点的时序,提出一种动作时序优化振动信号混沌吸引子特征的断路器操动状态辨识方法。首先,由高速相机捕捉断路器操动过程主轴拐臂运动图像,利用目标跟踪算法获取动触头关键运动节点时序指标;然后,依据时序指标划分操动过程,通过对不同阶段的振动信号相空间重构,提取相空间吸引子几何和属性特征;最后,利用智能分类算法进行故障辨识,实验结果验证该方法在大幅节省时间开销的同时,有效提高了分类辨识的准确率达96.9%。该文方法在断路器状态监测和带电测试中具有广阔应用前景。

基于振动信号和同步压缩小波变换的电动机测速方法及实验分析

针对部分工业现场电动机无法安装测速传感器,提出一种基于振动信号和同步压缩小波变换的电动机测速方法。对电动机振动信号进行Hilbert变换得到包络信号,解调出其中与转速相关的振动分量;利用同步压缩小波变换分析计算出包络信号的时频图;引入脊线的四分位距和方差对代价函数法进行改进,并利用该方法提取基频振动分量的时频脊线,得到电动机的转速曲线,达到无转速计测速的目的。实验与仿真分析表明,所提方法无论在稳态还是在非稳态工况下都能准确检测出电动机转速,且误差不超过5%。该方法的研究与实践过程可加深学生对调制解调、时频分析等理论知识的理解,提高理论联系实际的能力。

结合EEMD的噪声对消方法在遥测振动信号降噪中的应用

针对传统降噪方法难以兼顾飞行器遥测振动信号中细节信息损失和降噪性能之间的矛盾,提出一种集合经验模态分解(ensemble empirical mode decomposition,EEMD)和噪声对消相结合的降噪方法。信号经EEMD处理得到本征模态函数(intrinsic mode function,IMF),将第1阶IMF分量和其余IMF分量的累加和分别作为参考噪声和待降噪信号;利用核方法将信号映射到高维特征空间,利用映射到高维空间中的参考噪声和待降噪信号进行噪声对消。计算机仿真结果表明:该方法在避免信号细节信息损失的前提下具有良好的降噪性能,某次飞行器试验中实测数据处理结果证明方法有效和实用。

振动信号模型和散度在诊断滚动轴承故障中的应用

在分析旋转机械滚动轴承振动信号特点的基础上,首先建立轴承振动信号理论模型,并对其进行实验验证,然后计算待诊断样本和各种典型状态下振动信号模型之间的散度值,通过散度值的大小对比可知轴承故障部位和故障程度变化,最后通过对试验台数据和风电场实验样机数据的分析验证了此方法的有效性和实用价值,该诊断方法采用具有一定稳定性的轴承各部位故障特征频率为特征参数,且不需要对原始振动信号进行处理,也不需要大量具有典型故障的信号样本作为基础支撑,这三个特点决定了此诊断方法在实时性和鲁棒性方面的优越性,因此非常适合用于旋转机械滚动轴承的在线监测和自动故障诊断。

外部随机激励干扰下掘进机振动信号多传感采集方法

掘进机运行过程中,在外部随机激励源的作用下,造成多传感器模式下的传感敏感性波动,结合振动信号不稳定,会导致采集的振动信号大幅度失真。为保证掘进机的稳定运行,提出多传感器模式下的随机激励振动信号采集方法。将掘进机看作多自由度系统,建立设备动力学模型;结合掘进机动力学特征,利用虚拟激励法构建符合外部源的随机激励函数;在建立的随机激励下,选择传感器类型和参数并安装多个传感器,设定采样频率;根据正弦稳态校准方法需求,设计校准传感器采集系统,提高传感器敏感性;在随机激励函数约束下预测传感器输出延时,计算每次测量的同步误差和误差补偿值,通过补偿确保多传感器实现振动信号的同步动态采集。实验结果表明:在多传感模式下,这种方法降低了外部的随机迟滞干扰,在随机激励作用下采集到的掘进机多传感振动信号波形与实际波形相符。

基于特征判定系数的电力变压器振动信号故障诊断

变压器带电故障诊断对于保证电力变压器安全平稳运行具有重要的意义。针对变压器工作环境复杂且单一参数表征变压器故障类型不全面的问题,文中提出一种基于自适应噪声完备集合经验模态分解(complete ensemble empirical mode decomposition with adaptive noise,CEEMDAN)和特征熵权法(entropy weight method,EWM)进行故障诊断的方法。通过相关系数与峭度加权(correlation coefficient and weighted kurtosis,CCWK)原则筛选CEEMDAN分量并重构信号,在实现剔除冗余分量的同时,提升变压器振动信号特征的表征能力;利用EWM构建特征判定系数实现单一数据诊断变压器故障类型;通过主成分分析法减小混合域特征尺度,采用鸡群优化算法优化支持向量机(support vector machine,SVM)模型进行故障诊断。对某变电站110 kV三相油浸式变压器进行分析,结果表明与概率神经网络和SVM等变压器故障诊断方法相比,文中方法能在提前定性故障类型的同时,进一步提高变压器故障诊断的准确率与效率。

基于CEEMD-MPE-IMPROVED WTD的爆炸振动信号噪声抑制方法

光纤分布式声传感(distributed acoustic sensing,DAS)系统因其灵敏度高、抗电磁干扰和分布式远距离传感的特点,广泛应用于微震监测和震源定位等领域。通过DAS系统采集爆炸产生的振动信号,并利用信号的到时信息进行爆源定位。但由于爆炸试验现场的噪声干扰,信号和噪声混叠,到时算法求得的到时信息误差较大,影响定位精度,因此需要对信号进行去噪处理。鉴于经验模态分解(empirical mode decomposition,EMD)方法处理爆炸振动信号时有效信息的严重损失,提出了一种基于互补集合经验模态分解(complementary ensemble empirical mode decomposition,CEEMD)、多尺度互变熵(multiscale permutation entropy,MPE)和改进的小波阈值去噪(wavelet threshold denoising,WTD)的融合降噪方法,对DAS系统采集的信号进行去噪。它与EEMD-MPE、CEEMD-MPE和CEEMD-MPE-WTD方法进行了比较。试验结果表明,该方法可以将信噪比(signal-to-noise ratio,SNR)提高到25.95 dB,明显高于其他方法。用去噪后的信号来定位信号源,误差在5米以内。而且该方法可以有效地去除环境噪声和仪器的高频噪声,同时保留了爆炸振动信号的主导频率能量。结果表明,该方法适用于爆炸振动信号的去噪。

基于最优小波基选取的遥测振动信号降噪方法

针对飞行器试验遥测振动信号频率内容丰富,小波降噪最优小波基函数难以选取问题,提出了一种结合EMD的最优小波基选取方法。利用EMD将振动信号分解为一系列IMF分量,利用互相关系数和自相关函数判断含噪分量,并以含噪分量离散小波变换系数的香农熵为依据选择最优小波基,以最优小波基分别对含噪IMF分量进行降噪处理,将降噪后IMF分量与其余IMF分量累加获得降噪后信号。仿真和试验数据处理结果证明,基于最优小波基选取的降噪方法与小波降噪、EMD降噪相比,信噪比得到了有效提升,在遥测振动信号预处理中具有实际应用价值。

基于PEMD-MPE算法的露天矿爆破振动信号降噪方法

为了去除露天矿山爆破振动信号中混入的噪声成分,提出了一种基于PEMD-MPE算法的降噪方法。该算法通过自适应性正交经验模态分解(PEMD)得到完全正交的本征模态函数(IMF)分量,然后对各个IMF分量进行多尺度排列熵(MPE)的随机性检测,成功确定其中的噪声分量并将其去除。采用该算法对实测的露天矿山爆破振动信号进行降噪处理。结果表明:相比EMD-MPE和EEMD-MPE算法,PEMD-MPE算法的信噪比分别提高了3.520 dB和1.107 dB,且重构标准差和均方根误差最小,说明该算法不仅能够有效去除爆破振动信号中的噪声成分,还能有效保留真实信号。

基于BS-1DCNN的海缆振动信号识别

光纤振动信号是非线性的,传统的非线性振动信号识别方法通常需要信号分析和特征选择,既耗时又复杂。本文提出一种光纤振动信号识别新方法,可以直接提取特征,对原始信号进行分类,简化识别过程。本方法用支持向量机代替Softmax分类器,优化一维卷积神经网络(one-dimensional convolution neural network,1DCNN),以提高1DCNN结果在小样本条件下的稳定性。采用鸟群算法(bird swarm algorithm,BSA)对支持向量机(support vector machine,SVM)参数进行了优化,有效地提高识别精度。将本文提出的BS-1DCNN方法与1DCNN、VMD-GA-SVM、VMD-PSO-SVM、VMD-BSA-SVM共4种方法进行比较,结果表明,BS-1DCNN在识别准确率和测试时间方面性能表现良好。该算法能有效提高海缆振动信号识别率,且在不同样本比例下均能达到较好的识别效果。

基于小波包分解与CEEMDAN能量熵的水电机组振动信号特征提取

针对水电机组振动信号非平稳、非线性及噪声问题,提出一种基于自适应噪声完备经验模态分解(CEEMDAN)与能量熵结合的特征提取方法,首先对采集的振动信号进行小波包降噪处理,然后对降噪后信号进行CEEMDAN分解,运用相关系数法筛选有效固有模态函数(IMF)并计算其能量熵,由此构建特征向量集,最后将其输入到海洋捕食者优化支持向量机算法(MPA-SVM)进行模式识别。基于模拟信号、实测信号验证所提特征提取方法的有效性,并与其他方法作对比。结果表明,基于小波包分解与CEEMDAN能量熵的特征提取方法能准确提取特征,有效区分机组不同状态,为工程领域提供了应用价值。

基于振动信号频域离散特征的螺栓完全松动检测方法研究

针对输电铁塔等桁架结构螺栓松动故障,提出了一种基于振动信号频域离散特征的螺栓完全松动检测方法。首先,利用有限元软件对桁架结构螺栓连接完全松动前后进行瞬态动力学分析,采用方差和变异系数求解仿真振动信号离散特征以及变化率,得出螺栓完全松动时方差和变异系数变化规律,并指出方差对信号的离散程度更加敏感;然后,实测了输电铁塔螺栓完全松动前后脉冲激振下的振动响应信号,经变分模态分解(VMD)-小波硬阈值降噪处理后,求解得到实测振动信号离散特征和变化率。仿真和实验结果表明:当螺栓完全松动后,振动信号频谱图频率成分增多,离散特征系数增大,离散程度增强。该方法能够有效检测输电铁塔等桁架结构螺栓完全松动趋势,具有一定的工程实用性。

基于CEEMDAN和小波包分解的闸门振动信号降噪研究

针对闸门监测振动信号去噪问题,提出基于CEEMDAN(经验模态分解)和小波包分解的闸门振动信号降噪算法,通过采用CEEMDAN和小波包分解方法进行信号去噪,可以有效处理水电站泄洪闸门振动信号中受到的外部干扰。CEEMDAN方法能够将信号分解成多个本征模态函数(IMF),每个IMF代表不同频率的振动成分,使得外部干扰和真实信号成分可以分离。随后,小波包分解能够将每个IMF进一步分解成不同尺度和频率的子频带,这有助于更准确地定位和分离干扰成分。对每个子频带应用阈值去噪技术,可以有效去除噪声,保留真实信号。由测试结果可知,该算法能很好地剔除闸门振动信号中的无用噪声,有效提高闸门振动信号的准确性。

暖通空调小流量风机机械振动信号自适应采集研究

当暖通空调小流量风机运行时,频繁产生的脉冲噪声增加了信号采集的复杂性并引入了干扰,使得采集到的振动信号含有大量不必要的噪声成分,降低了采集精度和准确性。为此,提出暖通空调小流量风机机械振动信号自适应采集方法。使用经验模态分解方法对振动信号进行处理,获得信号在时域和频域上的特征信息。根据振动信号的频率特征,设计自适应变采样算法在不同的时间段内动态地调整采样率,采集风机振动信号。使用数学形态滤波器调整信号的形状,去除脉冲干扰以提高采集信号的精度,并进一步优化信号的质量。实验结果表明,所提方法的振动信号自适应采集精度高,且采集时间短。

基于MCKD算法的轴承振动信号处理及故障诊断研究

为了提高轴承振动信号抗干扰能力,设计了一种基于最大相关峭度解卷积(MCKD)算法的轴承振动信号处理及故障诊断方法.利用相关系数-峭度方法确定IMF1与IMF2并完成重构降噪过程,利用MCKD算法实现重构信号的降噪,再以包络谱完成解调分析.研究结果表明:在105.5 Hz位置存在较明显的波峰,形成了与滚动体故障频率理论值相同结果,依然形成了明显的2倍频波峰,证明MCKD算法对滚动轴承进行初期故障诊断时具备更明显的优势.本研究有助于提高轴承的故障识别能力,也可拓展到其他的机械传动领域.

基于改进傅里叶分解的齿轮箱振动信号处理

为了提高齿轮箱运行精度,设计了基于改进傅里叶分解的故障诊断方法。把一个复杂非平稳信号以自适应方式分解成包含多个瞬时频率的傅里叶本征模态函数(FIMF),再对各FIMF分量瞬时幅值与频率实施预估,获得分量边际谱与初始信号时间频率的能量分布状态。对转子碰摩信号分析可以看到计算得到的第一个IMF包络谱与最初的4个IMF频谱。对滚动轴承中存在内圈故障振动信号分析,FIMF分量形成的包络谱内含有更少的低频信号。该研究可以拓宽到其他的传动领域,具有很好的应用价值。

基于GRNN-MC的变压器振动信号预测

变压器振动信号是评估其工作状态的重要参数之一,与绕组松动或变形等隐患密切相关,为揭示变压器振动信号的变化趋势,本文提出了一种基于广义回归神经网络和马尔科夫链修正的变压器振动信号预测方法。即分别以变压器运行电压、负载电流和振动信号归一化特征频率为输入和输出建立变压器振动信号广义回归神经网络预测模型,然后引入马尔科夫链并结合负载电流的变化对振动信号计算结果进行修正以获得最终的预测结果。对某500 kV变压器振动在线监测信号的分析结果表明:经马尔科夫链修正后的变压器广义回归神经网络振动信号预测模型预测精度高,可为变压器绕组运行状态的振动监测技术提供重要参考。

机体表面振动信号影响因素关联性分析

为了研究机体表面振动信号各影响因素的影响规律,在不同转速、转矩、润滑油温度及配缸间隙下,对比分析振动信号的峰值、方差、标准差及均方根等4个时域参数以及小波包分解得到的各频段能量的变化趋势。结果表明:随着转速的升高,燃烧压力峰值出现波动,在活塞惯性力的主导作用下,振动信号时域特征参数及频段5以上频率成分的能量呈增加的趋势;燃烧压力峰值随着转矩的增加而增大,振动信号时域特征参数及各频段能量均呈增加的趋势;随着润滑油温度的升高,在润滑油阻尼及燃烧压力的双重作用下,振动信号时域特征参数幅值整体呈降低的趋势,频段12以上频率成分的能量呈增加的趋势;随着配缸间隙的增加,密封性降低导致燃烧压力峰值减小,但由于活塞二次运动加剧,导致振动信号时域特征参数及频段5以上频率成分的能量呈现增加的趋势。

基于FPGA和LoRa的燃烧室振动信号无线测试装置设计

燃烧不稳定性问题可引起大幅的机械振动,严重影响发动机正常工作。为满足新型试验需求,针对传统燃烧室测试装置灵活性不足、可靠性差等问题,设计了一种基于FPGA和LoRa的燃烧室振动信号无线测试装置,以FPGA作为主控单元,将前端高速AD采集的振动传感器数据存入Flash,通过LoRa技术并结合以太网的高速运行,在PC端进行远程操控和数据处理。试验表明:该装置可以实现至少500 m开阔距离内待测燃烧室振动信号的可靠测试,工作稳定,实时性强。